1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: SATCA1 2.- PRESENTACIN Caracterizacin de la asignatura. Fundamentacin.

La materia de Estadstica Inferencial II: Estadstica Inferencial II Ingeniera en Logstica e Ingeniera Industrial AEF-1025 3-25

Se plantea como una asignatura bsica de la Carrera de Ingeniera en Logstica e ingeniera industrial, y comn a la mayor parte de la Ingeniera aplicada. Proporciona: o o o Elementos para el diseo estadstico de experimentos. Las bases para seleccionar la estrategia experimental que permita obtener la informacin requerida al costo mnimo. La evaluacin de los resultados experimentales, en la seleccin de la mejor opcin que ofrece ms confiabilidad a las conclusiones.

Intencin Didctica. La materia, se presenta en cinco unidades: La unidad uno, introduce al estudiante al anlisis de las relaciones entre variables, la aplicacin de la teora de mnimos cuadrados y el modelo matemtico resultante del caso de estudio y sus lmites de validez. La unidad dos, introduce al estudiante en los conceptos del diseo estadstico de experimentos, familia de diseos para comparar tratamientos, diseos complementarios al azar y ANOVA. Permitiendo la resolucin de problemas de ndole: de equipos de bajo rendimiento, de mejora de eficiencia, etc. La unidad tres, introduce al alumno en los conceptos del diseo de bloques, bloques completos al azar, cuadro latino, cuadro grecolatino. Donde compara el resultado de los experimentos y obtiene la mejor solucin a un problema concreto. La unidad cuatro, introduce al alumno en los conceptos bsicos en el diseo de factoriales con dos factores, tres factores, factorial general, modelos de efectos aleatorios. Desarrolla diferentes experimentos con grado de complejidad ms elevado en el nmero de factores, variables de salida, interpretacin de resultados y eleccin de la mejor opcin aplicable. La unidad cinco, introduce al alumno en los conceptos bsicos de los modelos clsicos de series de tiempo, anlisis de tendencias, anlisis de variaciones cclicas, medicin de variaciones estacionales, aplicacin de ajustes estacionales,
1

Sistema de asignacin y transferencia de crditos acadmicos.

pronsticos basados en factores de tendencia y estacionales. Para determinar el mejor pronstico de la demanda de un bien con base en el anlisis de la situacin real, y los recursos requeridos para ello. El enfoque sugerido para la materia requiere que las actividades prcticas promuevan el desarrollo de habilidades para la experimentacin, tales como: identificacin, manejo, control de variables y de datos relevantes; adems del planteamiento de una estructura de experimentacin; se desarrollarn prcticas de laboratorio de cmputo para introducir al estudiante en uso del software estadstico disponible, como es el Minitab con la opcin de ANOVA y DOE e interpretacin de resultados. El enfoque de la asignatura se presenta para que el estudiante desarrolle las competencias aplicando las bases estadsticas obtenidas en las materias antecedentes, de tal forma que establezca el problema a resolver con el diseo y anlisis de experimentos ms conveniente a una situacin real. Identificar, variables a controlar y registrar los elementos que le permitan disear los problemas de manera ms autnoma. La lista de actividades de aprendizaje no es exhaustiva, se sugieren sobre todo las necesarias para hacer ms significativo y efectivo el aprendizaje. Algunas de las actividades sugeridas pueden hacerse como actividad extra clase y comenzar el diseo en clase a partir de la discusin de los resultados de las observaciones. Se busca que el estudiante realice una investigacin de campo donde identifique alguna caracterstica de su entorno y recopile la informacin correspondiente, haga anlisis estadstico e intrprete los resultados. En las actividades de aprendizaje sugeridas, generalmente se propone la formalizacin de los conceptos a partir de experiencias concretas; se busca que el alumno tenga el primer contacto con el concepto en forma concreta y sea a travs de la observacin, la reflexin y la discusin que se d la formalizacin; la resolucin de problemas se har despus de este proceso. Esta resolucin de problemas no se especifica en la descripcin de actividades, por ser ms familiar en el desarrollo de cualquier curso. Pero se sugiere que se diseen problemas con datos faltantes o sobrantes de manera que el alumno se ejercite en la identificacin de datos relevantes y elaboracin de supuestos. En el transcurso de las actividades programadas es muy importante que el estudiante aprenda a valorar las actividades que lleva a cabo y entienda que est construyendo su hacer futuro y en consecuencia acte de una manera profesional; de igual manera, aprecie la importancia del conocimiento y los hbitos de trabajo; desarrolle la precisin y la curiosidad, la puntualidad, el entusiasmo y el inters, la tenacidad, la flexibilidad y la autonoma.

3.- COMPETENCIAS A DESARROLLAR Competencias especficas: Competencias genricas:

Considera la capacidad de anlisis sobre la Competencias instrumentales modelacin como resultado de la ejecucin de un diseo estadstico de experimento: Investigacin bibliogrfica confiable y pertinente sobre los conceptos de diseo En Ingeniera Logstica apoya: estadstico experimental. Capacidad de anlisis y sntesis de Disear, planear, organizar, manejar, informacin sobre el diseo estadstico controlar y mejorar sistemas de experimental. abastecimiento y distribucin de Aplicar conocimientos generales de sobre bienes y servicios de manera el diseo estadstico experimental. sustentable. Solucionar situaciones que involucren el Interpretar e implementar estrategias y diseo estadstico de experimentos, mtodos estadsticos en los procesos diseo de bloques, diseo de bloques y organizacionales para la mejora las series de tiempos aplicadas a la continua logstica. Dirigir las actividades logsticas de Tomar decisiones con base al diseo carga, trfico y seguridad interna y estadstico de experimentos en el campo externa de servicios y productos de las profesional. empresas en forma eficaz y eficiente. Resolver de tareas numricas con la Administrar los sistemas de flujo y ayuda de software especfico o de uso manejo de materiales en las general. organizaciones en forma eficaz y eficiente. Competencias interpersonales Usar el software disponible para el modelado, diseo, operacin y control Capacidad crtica y autocrtica. eficiente de sistemas logsticos. Habilidades y capacidad interpersonales Desarrolla proyectos de investigacin para el trabajo en equipo interdisciplinario relacionados con la logstica aplicando y multidisciplinario. la metodologa ms adecuada. Capacidad de comunicarse con Gestiona los procesos logsticos en el profesionales y expertos de otras reas sistema de produccin de bienes y en forma efectiva. servicios con orientacin al servicio del Reconocimientos y apreciacin de la cliente. diversidad y multiculturalidad. Utiliza tecnologas de informacin y Habilidad para trabajar en un ambiente comunicacin (TICs) disponibles en el laboral interdisciplinario y proceso de toma de decisiones para la multidisciplinario. operacin eficiente de los procesos logsticos. Selecciona los empaques y embalajes Competencias sistmicas para manejar, distribuir, y confinar productos, bajo las normas nacionales e Dar sentido y significado a los internacionales de seguridad en el conocimientos estadsticos y transporte. probabilsticos en la prctica profesional. Aplica sistemas de calidad, seguridad y Apertura y adaptacin a nuevas ambiente dentro del campo logstico situaciones que requieran del anlisis orientado a lograr el desarrollo interdisciplinario.

sustentable y la satisfaccin del cliente. En Ingeniera Industrial apoya: Implementar e interpretar estrategias y mtodos estadsticos en los procesos organizacionales para la mejora continua. Tomar decisiones para la mejora de sistemas productivos y de servicios, fundamentadas en planteamientos y modelos analticos. Disear, implementar y mejorar sistemas y estaciones de trabajo considerando factores ergonmicos para optimizar la produccin.

Trabajar en forma autnoma. Bsqueda del logro, con reflexin tica.

4.- HISTORIA DEL PROGRAMA Lugar y fecha de Participantes elaboracin o revisin Zacatecas del 12 al 16 de Institutos Tecnolgicos de: abril Cd. Valles, Superior de Tantoyuca, la Laguna, Minatitln Celaya, Zacatecas Observaciones (cambios y justificacin) Anlisis y enriquecimiento de las propuestas de los programas desarrollados en la Reunin Nacional de Diseo Curricular celebrada en Ecatepec, en noviembre de 2009. Observaciones (cambios y justificacin) Reunin de Diseo curricular de la carrera de Ingeniera en Logstica del Sistema Nacional de Educacin Superior Tecnolgica.

Lugar y fecha de elaboracin o revisin

Participantes

Instituto Tecnolgico de Representantes de los Cd. Jurez, del 27 de abril Institutos Tecnolgicos de: Cd. Jurez, Len, al 1 de mayo del 2009 Pabelln de Arteaga, Ags., Puebla, Quertaro, Superior de Cuautitln Izcalli, Superior de Fresnillo, Superior de Tlaxco, Tehuacn, Tijuana Toluca.

Instituto Tecnolgico de Representantes de los Puebla 8 del 12 de junio Institutos Tecnolgicos de: Anlisis, diseo, y elaboracin del programa sinttico de la Quertaro, Puebla. del 2009 carrera de Ingeniera en Logstica.

Tecnolgico de Estudios Superiores de Ecatepec. Instituto Tecnolgico de Quertaro, Len, De Estudios Superiores de Cuautitln Izcalli. 9 al 13 de noviembre del 2009.

Academia de Ingeniera en Desarrollo de los programas Logstica. completos de estudio de la de Ingeniera en Representantes de los carrera Institutos Tecnolgicos de: Logstica. Cd. Jurez, Len, Puebla, Quertaro, Superior de Cuautitln Izcalli, Tehuacn, Tijuana. Participantes Instituto Tecnolgico de: Reynosa, Aguascalientes, Quertaro, Irapuato, Len, Tehuacn, Puebla, Linares,Cd. Juarez. Observaciones (cambios y justificacin) Reunin Nacional Implementacin Curricular las Carreras de Ingeniera Gestin Empresarial Ingeniera en Logstica Fortalecimiento Curricular

Lugar y fecha de elaboracin o revisin Instituto Tecnolgico de Aguascalientes, 15 al 18 de Junio de 2010.

de de en e y de

las Asignaturas Comunes por rea de Conocimiento para los Planes de Estudio Actualizados del SNEST.

5.- OBJETIVO(S) GENERAL(ES) DEL CURSO (competencia especfica a desarrollar en el curso) Conocer y aplicar tcnicas de diseo experimental, con el objeto de toma decisiones para analizar, evaluar y mejorar procesos logsticos e industrial. Adquirir criterios y herramientas de diseo experimental para planificar experimentos eficazmente en los procesos logsticos e industriales. Desarrollar las habilidades para la aplicacin de las herramientas y procedimientos habituales del anlisis estadstico para la obtencin de conclusiones vlidas. Conocer y aplicar las series de tiempo en sistemas logsticos e industriales para determinar los pronsticos para la planeacin de los recursos necesarios para responder a los cambios de la demanda. Identificar, aplicar y analizar mediante tcnicas de regresin, para evaluar los procesos de soporte en la toma de decisiones en la solucin de problemas. 5.1 COMPETENCIAS TRANSVERSALES A DESARROLLAR Realizar transferencias de reflexin de los contenidos temticos de las asignaturas de tipo estadstico, a otras asignaturas de su plan de estudio. Bsqueda de informacin confiable y pertinente en diversas fuentes, para el diseo de experimentos que permitan la mejora de un sistema logstico e industrial. Capacidad de anlisis estadstico para la modelacin de una situacin de oportunidad de mejora y toma de decisiones ms redituable. Realizar actividades intelectuales con enfoque estadstico de reflexin, anlisis y sntesis, deduccin e induccin y pensamiento hipottico, para la toma de decisiones y resolucin de problemas con sentido tico. Desarrollo de pensamiento hipottico para anlisis de casos, generacin de ideas, solucin de problemas y transferencia de conocimientos a la prctica. Mostrar apertura a nuevas situaciones, reconocer y valorar la multiculturalidad; as como trabajar en ambientes laborales inter y multidisciplinarios. Observar y analizar fenmenos y problemas propios de su campo ocupacional con sentido tico. Actuar con criterio tico en el mbito personal, acadmico, social y profesional.

6.- COMPETENCIAS PREVIAS Conocimiento del mbito profesional. Aplicacin de la estadstica descriptiva, probabilidad e inferencia Nociones de los procesos y variables sometidas al diseo de experimentos Nociones de diagramacin de procesos Utilizacin de software estadstico y/o matemtico disponible

7.- TEMARIO Unidad 1 Temas Regresin lineal simple y mltiple Subtemas 1.1. Regresin Lineal simple 1.1.1. Prueba de hiptesis en la regresin lineal simple. 1.1.2. Calidad del ajuste en regresin lineal simple 1.1.3. Estimacin y prediccin por intervalo en regresin lineal simple 1.1.4. Uso de software estadstico 1.2. Regresin lineal mltiple 1.2.1.Pruebas de hiptesis en regresin lineal mltiple 1.2.2.Intervalos de confianza y prediccin en regresin mltiple 1.2.3.Uso de un software estadstico 1.3. Regresin no lineal Diseo de experimentos de 2.1. Familia de diseos para comparar tratamientos un factor 2.2. El modelo de efectos fijos 2.3. Diseo completamente aleatorio y ANOVA 2.4. Comparaciones o pruebas de rangos mltiples 2.5. Verificacin de los supuestos del Modelo 2.6. Uso de un software estadstico Diseo de bloques. 3.1. Diseos en bloques completos al azar. 3.2. Diseo en cuadrado latino. 3.3. Diseo en cuadrado grecolatino. 3.4. Uso de un software estadstico. 4.1. Diseos factoriales con dos factores 4.2. Diseos factoriales con tres factores 4.3. Diseo factorial general 4.4. Modelos de efectos aleatorios 4.5. Uso de un software estadstico 5.1. Modelo clsico de series de tiempo 5.2. Anlisis de fluctuaciones 5.3. Anlisis de tendencia 5.4. Anlisis de variaciones cclicas 5.5. Medicin de variaciones estacionales e irregulares 5.6. Aplicacin de ajustes estacionales 5.7. Pronsticos basados en factores de 5.8. tendencia y estacionales.

Conceptos bsicos en diseos factoriales

Series de tiempo

8.- SUGERENCIAS DIDCTICAS (desarrollo de competencias genricas) El profesor debe: Conocer profundamente el contenido de la materia, de tal forma que domine los contenidos y mtodos de trabajo, pueda dar respuesta a las preguntas que se generen en el grupo, pues es una materia de aplicacin de la ingeniera, que implica el desarrollo de los esquemas cognitivo, conductual y procedimental en la formacin acadmica de los estudiantes. Establece los mtodos de trabajo en forma ordenada y precisa; explique las variaciones que se puedan encontrar al solucionar problemas, fomente un ambiente de grupo cordial y colaborativo en el aprendizaje. Propiciar actividades de metacognicin. Ante la ejecucin de una actividad, sealar o identificar el tipo de proceso intelectual que se realiz: una identificacin de patrones, un anlisis, una sntesis, la creacin de un heurstico, etc. Propiciando en el estudiante la utilizacin de la metacognicin y el desarrollo del pensamiento crtico.

Planteamiento de los objetivos del anlisis de varianza. Presentacin del diseo estadstico experimental de bloques, resultados y medicin de mejora de los elementos del sistema logstico. Presentacin de casos logsticos de diseo unifactorial, resultados, interpretacin y toma de decisiones. Presentacin del enfoque ANOVA en el diseo de un factor en situaciones del campo de aplicacin. Describir la seleccin y aleatoriedad del diseo en cuadrado latino y su diferencia con el diseo en cuadrado grecolatino. Utilizacin de Excel o software disponible para el tratamiento de los datos asociados al modelo de bloques respectivos. Realizar la interpretacin del anlisis de varianza en cada uno de los casos de bloqueo. Desarrollar los diseos factoriales de dos y tres factores y la manera en que se estabiliza la varianza. Explicar el diseo factorial general, el modelo de efectos fijos y su diferencia con el modelo de efectos aleatorios. Que identifique los distintos enfoques para el tratamiento de los datos desbalanceados. Realizar la interpretacin del anlisis de varianza en cada uno de los casos de diseos factoriales. Presentacin de los modelos de series de tiempo.

Explicar la definicin de los diferentes tipos de pronsticos. Describir los diferentes modelos de series de tiempo: corto, mediano y largo plazo. Utilizacin de un paquete de computadora para ejemplificar un caso de cada uno de los diferentes mtodos de pronsticos. Realizar una prctica en laboratorio de cmputo para introducir el estudiante al software estadstico Minitab en la opcin de ANOVA e interpretar la salida del software. Dirigir al estudiante para analizar con el software la informacin obtenida en su caso real y en la interpretacin de los resultados obtenidos.

9.- SUGERENCIAS DE EVALUACIN Las evidencias de los aprendizajes que contribuyen al desarrollo de competencias son: De comportamiento: Dinmica de grupos, mtodos de toma de decisiones, observacin en participaciones individuales o grupales en clase, dialogo en forma de interrogatorio. De desempeo: Reportes de investigacin sean individuales o grupales, problemas desarrollados en forma independiente. De producto: AOP aprendizaje orientado a proyectos, ABP aprendizaje basado en problemas, Mtodo de casos, Mtodos de creatividad, Mtodos de simulacin, resolucin de problemas, Interactividad con la computadora, Portafolio de evidencias, Rbricas de evaluacin. De conocimiento: Pruebas objetivas de los temas vistos en clase, Mtodo de casos, Anlisis de situaciones, Experimentos, Rbricas de evaluacin. 10.- UNIDADES DE APRENDIZAJE Unidad 1: Regresin Lineal Simple y Mltiple. Competencia especifica a desarrollar Identificar y aplicar los conceptos bsicos del modelo de regresin lineal simple Establecer las condiciones para distinguir entre una regresin y un correlacin Identificar y aplicar los conceptos bsicos del modelo de regresin mltiple Identificar y aplicar los conceptos bsicos del modelo de regresin no lineal Actividades de Aprendizaje Utilizar correctamente un modelo de regresin para propsitos de estimacin y prediccin Comprender la importancia del anlisis de regresin lineal simple y mltiple, y explique los conceptos generales. Aplicar las pruebas de hiptesis para evaluar su calidad de ajuste. Diferenciar entre regresin lineal simple y mltiple para tomar decisiones acerca de cul modelo usar en determinada circunstancia. Comprender la importancia del anlisis de regresin no lineal y explique los conceptos generales. Aplicar las pruebas de hiptesis para evaluar su calidad de ajuste. Utilizar software, para obtener una respuesta rpida y precisa en la generacin de los parmetros de los modelos.

Unidad 2: Diseo de experimentos de un factor Competencia desarrollar especfica a Actividades de Aprendizaje

Identificar la familia de diseos experimentales Aplicar el Anlisis de Varianza para comparar tratamientos. con el objeto de procesar la

informacin y tomar una decisin Explicar los elementos de los diseos en base a los resultados completamente al azar y el anlisis de varianza. obtenidos. Formular y describir las diversas pruebas de Interpretar los resultados de los rangos mltiples, el mtodo de Dunnet y la experimentos, para elegir la mejor comparacin por contrastes. opcin. Utilizar un software para el manejo de informacin asociada al modelo de un factor. Explicar con seguridad los resultados del anlisis de varianza. Recopilar los datos por equipo de un caso real y desarrollar el anlisis de experimentos. Exponer ante el grupo el resultado de su caso prctico.

Unidad 3: Diseo de bloques. Competencia especfica a desarrollar Conocer y aplicar caractersticas particulares del diseo por bloques en el diseo de experimentos de sistemas logsticos e industriales. Interpretar los resultados, comparar mtodos, seleccionar la mejor opcin en la toma de decisiones. Actividades de Aprendizaje Identificar las caractersticas generales y los usos que se le dan a los diseos en bloques. Explique la definicin del diseo en bloques completos al azar as como su hiptesis, modelo estadstico y anlisis de varianza. Que describa la seleccin y aleatoriedad del diseo en cuadrado latino y su diferencia con el diseo en cuadrado grecolatino. Que utilice un paquete de computadora para el tratamiento de los datos asociados al modelo de bloques respectivos. Que interprete con seguridad los resultados del anlisis de varianza. Explicar las diferencias de los diseos de bloques completamente al azar as como las hiptesis que se plantean y el anlisis de varianza. Manejo de la informacin para encontrar el modelo matemtico correspondiente y har el anlisis exhaustivo de la informacin. Realizar en laboratorio una prctica para cada caso de bloques.

Unidad 4: Conceptos bsicos en diseos factoriales . Competencia especfica a Actividades de Aprendizaje desarrollar Describir los conceptos bsicos en diseos factoriales y explicar como se hace la Conocer y aplicar caractersticas experimentacin factorial. particulares de los diseos factoriales en experimentos de Desarrollar los diseos factoriales de dos y tres sistemas logsticos e industriales. factores y la manera en que se estabiliza la varianza. Interpretar resultados, comparar mtodos, seleccionar la opcin ms segura para la toma de decisiones. Explicar el diseo factorial general, el modelo de efectos fijos y su diferencia con el modelo de efectos aleatorios. Que identifique los distintos enfoques para el tratamiento de los datos desbalanceados. Que use un paquete de computadora como herramienta para generar con precisin los resultados del manejo de los datos asociados al modelo respectivo. Que interprete con seguridad los resultados el anlisis de varianza. Manejo de la informacin para encontrar el modelo matemtico correspondiente y har el anlisis exhaustivo de la informacin. Realizar en laboratorio una prctica para cada caso de diseos factoriales. Unidad 5: Series de tiempo Competencia desarrollar especfica a Actividades de Aprendizaje Manejo de la informacin para encontrar el modelo de series de tiempo correspondiente y har el anlisis exhaustivo de la informacin.

Conocer los distintos tipos de pronsticos para afrontar los cambios en la demanda.

Formular y calcular el mejor Clasificar los tipos de pronsticos pronstico para una demanda e Recopilacin de datos por equipo de un caso interpretar los resultados. real y exponer ante el grupo el resultado de su caso prctico. Identificar las variables, calcular los componentes de una serie de Explicar las diferencias de los componentes tiempo. Realizar la representacin en el modelo de series de tiempo. grfica, obtener el pronstico e interpretar el resultado.

11.- FUENTES DE INFORMACIN George E.P. Box, William G. Hunter and Stuart Hunter, Statistics for Experiments: Design, Innovation, and Discovery, Second Edition, Wiley 2005. Klaus Hinkelmann and Oscar Kempthorne, Design and Analysis of Experiments, Vol. 2, Wiley 2005. Douglas C. Montgomery, Design and Analysis of Experiments, 6th. Ed. Wiley 2004. R.L. Mason, R.F. Gunst y J.L. Hess, Statistical Design and Analysis of Experiments with Applications to Engineering and Science, 2nd. Ed. Wiley-Interscience 2003. Humberto Gutirrez Pulido y Romn de la Vara Salazar, Anlisis y Diseo de Experimentos, McGraw-Hill 2003 Jiju Anthony, Design of Experiments for Engineers and Scientists, Butterworth Heinemann 2003. Raymond H. Myers and Douglas C. Montgomery, Response Surface Methodology, 2nd. Ed. Wiley-Interscience 2002. C. F. Jeff Wu and Michael Hamada, Experiments: Planning, Analysis and Parameter Design Optimization, Wiley-Interscience 2000. Charles R. Hicks and Kenneth V. Turner Jr., Fundamental Concepts in the Design of Experiments, 5th. Ed. Oxford University Press, 1999. Andr I. Khuri and John A. Cornell, Response Surfaces: Designs and Analyses, Marcel Dekker 1996. Stephen R. Schdmidt and Robert G. Launsby, Understanding Industrial Designed Experiments, 4th. Ed. Air Academy Press 1994. Thomas J. Lorenzen and Virgil L. Anderson, Design of Experiments, Marcel Dekker 1993. G. E. P. Box and N. R. Draper, Empirical Model-Building and Response Surfaces, Wiley 1987. Richard K. Burdick, Connie M. Borror and Douglas C. Montgomery, Design and Analysis of Gauge R&R Studies, SIAM 2005. Samaradasa Weerahandi, Generalized Inference in Repeated Measures, Wiley 2004. Raymond H. Myers, Douglas C. Montgomery and G. Geoffrey Vining, Generalized Linear Models, Wiley 2002. Lloyd W. Condra, Reliability Improvement with Design of Experiments 2nd, Marcel Dekker 2001. Mark J. Anderson and Patrick J. Whitcomb, DOE Simplified: Practical Tools for Effective Experimentation, Productivity, Inc. 2000. Keki R. Bhote, World Class Quality-Using Design of Experiments to Make it Happen, 2nd. Ed. American Management Association 2000. Larry B. Barrentine, An Introduction to Design of Experiments: A Simplified Approach, ASQ Quality Press 1999. M. Daniel Sloan, Using Designed Experiments to Shrink Health Care Costs, ASQC Quality Press 1997. J. Del Vecchio, Understanding Design of Experiments: A Primer for Technologists, Hanser Publishers, 1997. George E. P. Box, Soren Bisgaard and Conrad Fung, Designing Industrial Experiments: An Engineers Key to Quality, The Center for Productivity Improvement, May 1995. John Lawson, Jos L. Madrigal y John Erjavec, Estrategias Experimentales para el Mejoramiento de la Calidad en la Industria, Grupo Editorial Iberoamrica 1992. Richard F. Gunst and Robert L. Mason, How to Construct Fractional Factorial Experiments, ASQ Statistics Division 1991. John A. Cornell, How to Apply Response Surface Methodology, ASQ Statistics Division 1990.

Subir Ghosh, Statistical Design and Analysis of Industrial Experiments, ASQC Quality Press 1990. H.W. Coleman and W.G. Steele, Experimentation and Uncertainty Analysis for Engineers, Wiley 1989. C. Daniel, Applications of Statistics to Industrial Experimentation, Wiley 1976. V.L. Anderson y R.A. McLean, Design of Experiments: A Realistic Approach, Marcel Dekker 1974. Lecturas obligatorias Richard O. Lynch Minimum Detectable Effects for 2k-p Experimental Plans, Journal of Quality Technology, Vol. 25, No. 1, January 1993, pp. 12-17. Soren Bisgaard, A Method for Identifying Contrasts for 2k-p Experiments, Journal of Quality Technology, Vol. 25, No. 1, January 1993, pp. 28-35. Ronald D. Snee, Creating Robust Work Processes, Quality Progress, Vol. 26, No.2, February 1993, pp. 37-41. Jeff Knowlton and Ren Keppinger, The Experimentation Process, Quality Progress, Vol. 26, No. 2, February 1993, pp. 43-47. Vctor Aguirre Torres A Simple Analysis of Unreplicated Factorials with Possible Abnormalities, Journal of Quality Technology, Vo. 25, No. 3, July 1993, pp. 183-187. Richard K. Burdick, Using Confidence Intervals to Test Variance Components, Journal of Quality Technology, Vol. 26, No. 1, January 1994, pp. 30-38. Soren Bisgaard, Blocking Generators for Small 2k-p Designs, Journal of Quality Technology, Vol. 26, No. 4, October 1994, pp. 288-296. Soren Bisgaard and Howard T. Fuller, Sample Sizes Estimates for 2k-p Designs with Binary Responses, Journal of Quality Technology, Vol. 27, No. 4, October 1995, pp. 344-354. Douglas C. Montgomery & George C. Runger, Foldovers of 2k-p Resolution IV Experimental Designs, Journal of Quality Technology, Vol. 28, No.4, October 1996, pp. 446-450. Norman R. Draper & Irwin Guttman, Two-Level Factorial and Fractional Factorial Designs in Blocks of Size Two, Journal of Quality Technology, Vol. 29, No. 1, January 1997, pp. 71-75. Donald G. Watts, Explaining Power Using Two-Level Factorial Designs, Journal of Quality Technology, Vol. 29, No. 3, July 1997, pp. 305-306. Russell R. Barton, Pre-Experiment Planning for Designed Experiments: Graphical Methods, Journal of Quality Technology, Vol. 29, No. 3, July 1997, pp. 307-316. Douglas C. Montgomery, Connie M. Borror and James D. Stanley, Some Cautions in the Use of Plackett-Burman Designs, Quality Engineering, Vol. 10, No. 2, 1997-98, pp. 371-381. Russell R. Barton, Design-Plots for Factorial and Fractional-Factorial Designs, Journal of Quality Technology, Vo. 30, No.1, January 1998, pp. 40-54. Fred A. Spiring and Anthony S. Yeung, Analysis of a Two-Factor R&R Study with Fixed Operators, Journal of Quality Technology, Vol. 30, No. 2, April 1998, pp. 163-170. Lynne B. Hare, Burn the Brownies, Quality Progress, Vol. 32, No. 8, August 1999, pp. 9298. Bruce E. Ankenman, Design of Experiments with Two-and Four-Level Factors, Journal of Quality Technology, Vol. 31, No. 4, October 1999, pp. 363-375. D. Sanders and J. Coleman, Considerations Associated with Restrictions on Randomization in Industrial Experimentation, Quality Engineering, Vol. 12, No. 1, 1999-2000, pp. 57-64. D.R. Bingham and R. R. Sitter, Design Issues In Fractional Factorial Split-Plot Experiments, Journal of Quality Technology, Vol. 33, No. 1, January 2001, pp. 2-15. Peter S. Wludyka, Peter R. Nelson and Peter R. Silva, Power Curves for the Journal of Quality Technology, Vol. 33, No. 1, January 2001, pp. 60-65.

Jeffrey H. Dodgson, A Graphical Method for Assessing Mean Squares in Saturated Fractional Designs, Journal of Quality Technology, Vo. 35, No. 2, pp. 206-212, April 2003. Doug Sanders and Jim Coleman, Recognition and Importance of Restrictions on Randomization in Industrial Experimentation, Quality Engineering, Vol. 15, No.4, 2003, pp. 533-543. Yuyun Jessie Yang and Norman R. Draper, Two-Level Factorial and Fractional Factorial Designs in Blocks of Size Two, Journal of Quality Technology, Vo. 35, No. 3, July 2003, pp. 294-305. Robinson, Timothy J., Raymond H. Myers and Douglas C. Montgomery, Analysis Considerations in Industrial Split-Plot Experiments with Non-Normal Responses, Journal of Quality Technology, Vol. 36, No. 2, April 2004, pp. 180-192. Robert W. Mee, Efficient Two-Level Designs for Estimating All Main Effects and Two-Factor Interactions, Journal of Quality Technology, Vol. 36, No. 4, October 2004, pp. 400-412. Kevin J. Potcner and Scott M. Kowalski, How to Analyze A Split-Plot Experiment, Quality Progress, Vol. 37, No. 12, December 2004, pp. 67-74. Christine Anderson-Cook, Beyond Sample Size, Quality Progress, Vol. 37, No. 12, December 2004, pp. 88-90. Soren Bisgaard, Carla A. Vivacqua and Andr L. S. de Pinho, Quality Quandaries : Not All Models Are Polynomials, Quality Engineering, Vol. 17, No. 1, January-March 2005, pp. 181186. Keith M. Bower, Pac-Man and the Analysis of Variance, Six Sigma Forum Magazine, Vol.4, No. 4, November 2005, pp. 25-27. C. K. Chng, S. H. Quah and H. C. Low, The MM-Estimator in Response Surface Methodology, Quality Engineering, Vol. 17, No. 4, October-December 2005, pp. 561-565. Laetitia Avrillon and Maurice Pillet, Experimental Designs in the High Added Value Products Industry, Quality Engineering, Vol. 17, No. 4, October-December 2005, pp. 711-718. Murat Kulahci, Jos G. Ramrez d Randy Tobias, Split-Plot Fractional Designs: Is Minimum aberration Enough?, Journal of Quality Technology, Vol. 38, No. 1, January 2006, pp. 56-64. Vldimir Boroditsky, Optimizing Data Warehouse Design, Six Sigma Forum Magazine, Vol. 5, No. 2, February 2006, pp.31-36. Robert E. Chapman and David Svacha, Designed Experiment with Nonnormally Distributed Responses, Quality Engineering, Vol. 18, No. 2, April-June 2006, pp. 179-188. Christine Anderson-Cook, What and When To Randomize, Quality Progress, Vol. 39, No. 4, April 2006, pp. 59-62. Sitios tiles: http://www.airacad.com http://www.qualityamerica.com http://www.smartersolutions.com http://www.itl.nist.gov/div898/handbook/ http://www.club.telepolis.com/ohcop/doedex.html http://www.poms.org http://www.typotheque.com/articles/index.html http://www.wiley.com/college/engin/montgomery316490/wave_i.html

12.- PRCTICAS PROPUESTAS Realizar una prctica en laboratorio de cmputo para introducir el estudiante al software estadstico Minitab en la opcin de ANOVA e interpretar la salida del software en cada una de las unidades: Realizar en laboratorio una prctica de diseo de experimentos con un factor. Realizar en laboratorio una prctica para cada caso de diseos factoriales. Realizar en laboratorio una prctica para cada caso de bloques. Realizar en laboratorio una prctica para cada caso de mtodo de pronstico. AOP Aprendizaje Orientado a Proyectos: Desarrollo por equipos de trabajo bajo la gua del profesor con los estudiantes la informacin de un proceso susceptible de mejora, para su anlisis, aplicando las tcnicas y mtodos de trabajo desarrollados a lo largo del curso y su presentacin por avances para cada parcial, - Un proyecto de investigacin que utilice los conceptos de diseo de experimentos a la situacin del caso del rea logstica. - Utilizacin de diseo de experimentos con cuadro latino y grecolatino al proyecto. - Aplicacin de diseo de factoriales al proyecto, anlisis y comparacin de resultados. - Utilizacin de informacin referente al comportamiento de la demanda de un bien, para anlisis en series de tiempo, descomposicin de los factores de la serie de tiempo, interpretacin y pronstico resultante en un periodo de tiempo en el proyecto. ABP Aprendizaje Basado en Problemas: Realizar en forma individual o por equipos, los problemas propuestos en el curso para el rea logstica, con anlisis de resultados obtenidos en cada unidad del temario, utilizando Excel, u otro software disponible. Portafolio de evidencias con todos los problemas resueltos durante el curso. Software propuesto a utilizar: Excel Statgraphics (consultar www.statgraphics) Minitab Mathcad Software disponible